Hadoop的批处理框架MapReduce

MapReduce是Hadoop的批处理框架。

MapReduce参与者

• 客户端（client）：编写mapreduce程序，配置本地数据。
• JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行；
• TaskTracker：保持与JobTracker的通信，在分配的数据片段上执行Map或Reduce任务，TaskTracker和JobTracker的不同有个很重要的方面，就是在执行任务时候TaskTracker可以有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode一样存在单点故障）
• HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面。

MapReduce运行机制

海量的数据通过Map后被分为的结果，再由Reduce合并value的结果，得到最终结果存储到HDFS中，呈现给需要的节点。这些任务由JobTracker协调，由TakTracker计算。

文件要存储在HDFS中，每个文件切分成多个一定大小（默认64M或128M）的Block（默认3个备份）存储在多个节点（DataNode）上。

输入和拆分：不属于map和reduce的主要过程，但属于整个计算框架消耗时间的一部分，该部分会为正式的map过程准备数据，在节点上将数据加载到HDFS文件系统。

分片（split）操作：MapReduce框架使用InputFormat基础类做map前的预处理，比如验证输入的格式是否符合输入定义；然后，将输入文件切分为逻辑上的多个input split，input split是MapReduce对文件进行处理和运算的输入单位，只是一个逻辑概念。在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务，输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组。split操作知识将源文件的内容分片形成一系列的input split，每个input split中存储着该分片的数据信息（例如，文件块信息、起始位置、数据长度、所在节点列表…），并不是对文件实际分割成多个小文件，每个input split都由一个map任务进行后续处理。

数据格式化（Format）操作：将划分好的input split格式化成键值对形式的数据。其中key为偏移量，value为每一行的内容。map任务执行过程中，会不停地执行数据格式化操作，每生成一个键值对就会将其传入map进行处理。最终形成一个。

上图将HDFS的数据进行split操作，同时进行的形成一个个的

map阶段： 对执行map函数了，一般map操作都是本地化操作也就是在数据存储节点上进行。

map词频统计：HDFSZ中存在test.txt内容为，hadoop ，spark，hadoop，storm，hadoop，spark。经过Split分块再有Map操作就变为了,

Map shuffle阶段：在交由Reduce最终处理时还需要经过shuffle阶段，Shuffle 过程是指map产生的直接输出结果，经过一系列的处理，成为最终的reduce直接输入的数据的过程。该过程可以分为两个阶段：

1. 先将map的处理结果写入缓冲区中，spill处理溢出文件。对数据执行分区partition，排序sort，合并combiner等操作。
2. 归并merge，每次溢写会生成一个溢写文件，这些溢写文件最终需要被归并成一个大文件。归并的意思：生成key和对应的value-list。 在Map任务全部结束之前进行归并，归并得到一个大的文件，放在本地磁盘。

合并（Combine）和归并（Merge）的区别： 两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>。

Reduce阶段

• Copy阶段：reduce端可能从n个map的结果中获取数据，而这些map的执行速度不尽相同，当其中一个map运行结束时，reduce就会从JobTracker中获取该信息。map运行结束后TaskTracker会得到消息，进而将消息汇报给　JobTracker，reduce定时从JobTracker获取该信息，reduce端默认有5个数据复制线程从map端复制数据。

• Sort阶段：Reduce复制数据先放入缓存，来自不同Map机器，与map一样，内存缓冲区满时，也通过sort和combiner，将数据溢写到磁盘文件中。如果形成了多个磁盘文件还会进行merge归并，最后一次归并的结果作为reduce的输入而不是写入到磁盘中。文件中的键值对是排序的。
  当数据很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce。

• reduce端的shuffle由于map和reduce往往不在同一个节点上运行，所以reduce需要从多个节点上下载map的结果数据，多个节点的map里相同分区内的数据被复制到同一个reduce上，并对这些数据进行处理，然后才能作为reduce的输入数据被reduce处理。

注意：当Reduce的输入文件确定后，整个Shuffle操作才最终结束。之后就是Reduce的执行了，最后Reduce会把结果存到HDFS上。

Reduce端流程：
Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做事为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，所以排序是hadoop的灵魂。

Map与Reduce通信

Reduce从Map中复制数据，那么分区中的数据怎么知道它对应的reduce是哪个呢？

map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持通讯。所以JobTracker中保存了整个集群的宏观信息，只要reduce任务向JobTracker获取对应的map输出位置即可。

MapReduece数据本地化

HDFS和MapReduce是Hadoop的核心设计。对于HDFS，是存储基础，在数据层面上提供了海量数据存储的支持。而MapReduce，是在数据的上一层，通过编写MapReduce程序对海量数据进行计算处理。

在HDFS中，NameNode是文件系统的名字节点进程，DataNode是文件系统的数据节点进程。MapReduce计算框架中也有类似的节点JobTracker协调整个作业的执行和TakTracker数据片段上执行Map或Reduce任务。

MapReduce计算框架中负责计算任务调度的JobTracker对应HDFS的NameNode角色，只不过一个负责计算任务调度，一个负责存储任务调度。MapReduce中负责真正计算任务的TaskTracker对应到HDFS的DataNode角色，一个负责计算，一个负责管理存储数据。考虑到“本地化原则”，一般地，将NameNode和JobTracker部署到同一台机器上，各个DataNode和TaskTracker也同样部署到同一台机器，四个角色分工明确，共同完成作业。

MapReduce的优势在于“计算移动，数据不移动”。免去了大量网络开销。map在本地执行其HDFS上的数据，将结果返回给reduce，由其执行作业得到最终结果，reduce任务时并不考虑数据本地化。

Word Count
Word Count 就是"词语统计"，这是 MapReduce 工作程序中最经典的一种。它的主要任务是对一个文本文件中的词语作归纳统计，统计出每个出现过的词语一共出现的次数。

1. 启动集群
   
2. 新建目录
   
   出现这这DEPRECATED: Use of this script to execute hdfs command is deprecated. Instead use the hdfs command for it.的意思是，版本更新后hadoop命令换成了hdfs命令。如：
3. 新建words.txt文件并上传到HDFS文件系统上

hadoop
i like hadoop
mapreduce is a member of hadoop
how to use hadoop
mapreduce
           

# 编辑本地文件
vi words.txt
# 将本地文件words.txt上传到hdfs文件系统的wordcount目录下
hdfs dfs -put words.txt /wordcount 
# 查看wordcount目录
hdfs dfs -ls /wordcount

4. MapReduce处理words.txt文件

hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.10.1.jar wordcount /wordcount /wordount/output

执行的命令是mapreduce的命令很长，主要有五个部分，hadoop jar是第一部分固定名，用于执行jar工具包；第二部分是jar工具包的路径，如下：

该工具包位于hadoop解压文件夹的/share/hadoop/mapredce下，通过配置的环境变量$HADOOP_HOME配置了hadoop路径，这样就免去了上下文连接，当然也可以写全：

/home/user/hadoop/hadoop-2.10.1/share/hadoop/mapreduce/...mapreduce-examples-2.10.1.jar

第三部分是工具包的wordcount是词频统计命令；第四部分是被执行文件的路径；第五部分是执行结果输出目录。命令之间有空格隔开。

hadoop jar [jar_path] wordcount [resource] [target]

输出上面图片上的内容即为执行成功。

4. 查看执行结果
   hdfs dfs -cat /wordcount/output/part-r-00000
   
   可以看出对上传的txt文件做了词频统计。这是一个简单的MapReduce案例。

上面执行命令输出目录wordcount写错了，但不影响结果的查看。
hdfs dfs -rm -R /wordount删除命令，连带删除。

YARN配置

MapReduce远程运行需要配置YARN资源管理框架，Reduce从个节点copy被Map处理的结果。

配置YARN在mapred-site.xml，复制 mapred-site.xml.template 文件生成 mapred-site.xml进行如下配置：

<configuration>
	<property>
		<name>mapreduce.framework.namename>
		<value>yarnvalue>
	property>
configuration>

配置yarn-site.xml:

yarn.resourcemanager.hostname 属性为资源管理器的主机，设置为主机 IP 地址。
yarn.nodemanager.aux-services属性为节点管理器的辅助服务器，默认值为空，设置为 mapreduce_shuffle。

<configuration>
	<property>
		<name>yarn.resourcemanager.hostnamename>
		<value>ip-addrvalue>
		
	property>
	<property>
		<name>yarn.nodemanager.aux-servicesname>
		<value>mapreduce_shufflevalue>
	property>
configuration>